Demonstração interativa da recuperação de agentes

Nesta demonstração interativa, você pode conhecer a Recuperação de Agentes (antiga Pesquisa Vetorial 2.0), o banco de dados vetorial totalmente gerenciado para o Google Cloud. Use a demonstração para pesquisar milhões de informações do produto com a pesquisa semântica (com tecnologia de embeddings automáticos do Gemini), Text Search por palavra-chave ou pesquisa híbrida que usa Reciprocal Rank Fusion (RRF) para combinar a pesquisa semântica e o Text Search por palavra-chave. Os resultados podem ser reclassificados usando a API Ranking da Gemini Enterprise Agent Platform.

Benefícios da recuperação de agentes

A Pesquisa Vetorial exigia geração de embeddings separada, implantação de índice e uma Vertex AI Feature Store para metadados. A Recuperação de Agentes oferece armazenamento unificado para dados e embeddings, geração automática de embeddings e pesquisa de texto integrada sem que você precise gerenciar a infraestrutura.

Testar

Para executar:

  1. No campo Consulta, descreva os itens que você quer consultar (por exemplo, vintage 1970s pinball machine). Se preferir, clique em Gerar consulta para gerar uma descrição automaticamente.

  2. Clique em Enviar ou pressione Enter.

Teste as diferentes opções na demonstração para entender a recuperação de agentes e os conceitos básicos da tecnologia de busca vetorial. Para mais informações, acesse Interface do usuário.

Interface do usuário

Nesta seção, descrevemos as configurações na UI que você pode usar para controlar os resultados que a Recuperação de Agente (antiga Busca Vetorial 2.0) retorna e como eles são classificados.

Conjunto de dados

Use o menu suspenso Conjunto de dados para escolher em qual conjunto de dados a Recuperação de Agente vai executar a consulta. Para informações sobre cada conjunto de dados, acesse Conjuntos de dados.

Consulta

Para executar uma consulta:

  1. Clique em Conjunto de dados e escolha em qual conjunto de dados executar a consulta.

  2. No campo Consulta, adicione uma descrição, faça uma pergunta ou insira uma ou mais palavras-chave para especificar os itens para os quais a Recuperação de Agente deve retornar resultados. Se preferir, clique em Gerar consulta para gerar uma consulta automaticamente.

  3. Escolha uma destas opções:

    1. Para retornar resultados semanticamente semelhantes, selecione Semântica.
    2. Para retornar resultados com base na sintaxe de texto da consulta, selecione Texto.
    3. Para fazer uma pesquisa híbrida, selecione Semântica e Texto.

  4. Se você estiver consultando semanticamente o conjunto de dados Mercari 3M items (128-dim Gemini embedding de texto) ou Mercari 3M items (768-dim Gemini embedding de texto), clique em Tipo de tarefa de consulta e selecione QUESTION_ANSWERING ou RETRIEVAL_QUERY.

  5. Clique em Enviar ou pressione Enter para executar a consulta.

Modificar

Há muitas opções que você pode usar para modificar os resultados que a Recuperação de Agentes (antiga Pesquisa Vetorial 2.0) retorna de uma consulta.

  • Clique em Linhas e escolha o número máximo de resultados da pesquisa que você quer que a Recuperação de Agente (antiga Pesquisa Vetorial 2.0) retorne.

  • Selecione Semântica para retornar resultados semanticamente semelhantes.

  • Selecione Texto para retornar resultados com base na sintaxe de texto da consulta.

  • Selecione Semântica e Texto para ativar a pesquisa híbrida.

  • Selecione Reclassificar para reclassificar os resultados da pesquisa com base na relevância da consulta. Para mais informações, consulte Melhorar a qualidade da pesquisa e da RAG com a API de classificação.

  • Selecione Usar kNN para usar o algoritmo de vizinhos k-mais próximos para recuperar os resultados da pesquisa. Como o kNN fornece uma taxa de recall de 100%, ele é muito útil para depuração ou teste.

  • Clique em Tipo de tarefa de consulta e selecione o tipo de tarefa de consulta que você quer usar. Isso só está disponível ao usar os conjuntos de dados Mercari 3M items (128-dim Gemini embeddings de texto) e Mercari 3M items (768-dim Gemini embeddings de texto). Para mais informações sobre os tipos de tarefas de consulta, acesse Escolher um tipo de tarefa de embeddings.

  • No campo Alfa da RRF, insira um valor entre 0,0 e 1,0 para especificar o efeito de classificação da RRF. Isso só está disponível para pesquisa híbrida (as opções Semântica e Texto estão selecionadas).
    Valores alfa de:

    • 1.0: classifica os resultados puramente por similaridade semântica (densa).
    • 0.0: classifica os resultados apenas pela relevância da palavra-chave (esparsa).
    • 0.5: classifica os resultados com peso igual para a semelhança semântica (densa) e a relevância da palavra-chave (esparsa).

    Para mais informações, consulte O que é a Reciprocal Rank Fusion?

Métricas

Depois que uma consulta é executada, você recebe métricas de latência que detalham o tempo que levou para as diferentes etapas da pesquisa serem concluídas.

Isso inclui:

  • A latência total de todas as fontes.
  • O tempo que levou para gerar embeddings e realizar uma busca vetorial.
  • O tempo que a reclassificação levou se a opção Reclassificar estiver selecionada.
  • A quantidade total de latência da rede e de outras fontes.

Embeddings

A recuperação de agentes é compatível com os seguintes tipos de embedding:

Processo de consulta

Na recuperação de agentes, o processo de consulta depende do tipo de pesquisa que está sendo feita e dos modelos de embedding.

A geração e a pesquisa de embeddings acontecem em uma única chamada de API. A recuperação de agentes gera automaticamente o embedding de consulta no lado do servidor usando o modelo especificado no vertex_embedding_config para a coleção, realiza a pesquisa e retorna resultados com metadados completos sem precisar de uma busca separada do Vertex AI Feature Store.

Word2Vec e multimodal

O cliente gera o embedding da consulta e o envia para a Recuperação de Agente para pesquisa vetorial. Os resultados ainda incluem metadados completos da coleção, e uma busca do Vertex AI Feature Store não é necessária.

Texto

A Recuperação de Agentes realiza a correspondência de palavras-chave integrada diretamente. Os embeddings não são gerados.

Conjuntos de dados

Conjunto de dados Descrição Modelo de embedding Tipo de tarefa de embedding
1 milhão de itens do Mercari
(embeddings de texto do Gemini de 768 dimensões)		 Usa o modelo de embedding Gemini Embedding 2 com embeddings de texto e imagem separados. Esse conjunto de dados é compatível com a pesquisa de texto para texto e a pesquisa de criação de imagens a partir de texto usando diferentes campos vetoriais. gemini-embedding-2-preview SEMANTIC_SIMILARITY
3 milhões de itens do Mercari
(embeddings de texto do Gemini de 128 dimensões)		 Tem um número reduzido de dimensões de embedding que oferece um tamanho de índice e um custo de armazenamento menores. Esse conjunto de dados pode ter uma acurácia menor do que os itens do Mercari 3M (embeddings de texto do Gemini de 768 dimensões). gemini-embedding-001 RETRIEVAL_DOCUMENT
3 milhões de itens do Mercari
(embeddings de texto do Gemini de 768 dimensões)		 Tem embeddings de dimensão completa com embeddings automáticos e alta precisão semântica de texto. Esse conjunto de dados usa RETRIEVAL_DOCUMENT para correspondência assimétrica de consulta-documento. gemini-embedding-001 RETRIEVAL_DOCUMENT
3 milhões de itens do Mercari
(embeddings de texto do Gemini de 768 dimensões, similaridade semântica)		 Usa o tipo de tarefa SEMANTIC_SIMILARITY para correspondência de similaridade. Esse conjunto de dados é o melhor para casos de uso que precisam da funcionalidade "encontrar itens semelhantes", em que a consulta e os documentos têm a mesma semântica. gemini-embedding-001 SEMANTIC_SIMILARITY
3 milhões de itens do Mercari
(embeddings multimodais da Gemini Enterprise Agent Platform de 1.408 dimensões)		 Tem embeddings multimodais da Gemini Enterprise Agent Platform que codificam imagens de itens para pesquisa de imagens. multimodal-embedding-001 N/A
3 milhões de itens do Mercari
(embeddings de texto Word2Vec de 100 dimensões)		 Usa o modelo de embedding Word2Vec do Gensim. Esse conjunto de dados tem a inferência mais rápida. Ele fornece apenas compreensão semântica no nível da palavra, mas é muito compacto. Word2Vec do Gensim N/A

Consulte também